Max大郭（备注：郭佰鑫）
一位运营着公众号体育科学和AI大模型爱好者，喜欢刷科技资讯的大学生
联系我：MaxGBX （欢迎科研、产品、自媒体合作交流）
有更多
SSAC25即第19届麻省理工学院斯隆体育分析会议，于2025年3月7 - 8日在海恩斯会议中心举办。作为体育分析领域的重要年度活动，它汇聚了体育界、科技界和学术界的专业人士、学者与爱好者。会议期间，通过演讲环节，行业知名人士分享见解；众多研究论文展示涵盖棒球、篮球、足球等多个体育项目的前沿成果，为体育行业提供创新思路与科学决策依据，促进体育分析学术研究发展与国际交流合作，对提升体育赛事各方面水平意义重大 。
更多相关本会议的论文，进入我公众号首页搜索 #SSAC25
近年来，人工智能 (AI) 和数据收集技术的进步彻底改变了体育分析，使人们能够更深入地洞察运动员的表现，而这在以前是无法实现的。羽毛球是一项节奏快、策略性强的运动，需要快速的决策和复杂的回合动态，这使得它成为探索将人工智能融入体育分析的理想选择，同时也是一个充满挑战的项目。羽毛球分析通常侧重于羽毛球落地轨迹、球员移动模式、击球类型选择和战略规划。准确的分析对于理解球员的决策过程以及提供切实可行的见解至关重要，无论是在比赛中的战术制定还是赛前训练中。有效的体育分析可以帮助运动员通过有针对性的准备来弥补弱点、发挥优势并优化场上表现。
▼ 这个研究创新的架构
文章比较长，希望各位有耐心阅读！
如果您认可我的内容的话，我非常希望您可以帮我转载/传播一下，让更多人了解前沿的文献/产品相关资讯！大郭在这里抱拳了
我联系方式放在文末了！
欢迎各位关注一下我的抖音、小红书、等平台！
作者介绍
1. 彭文智（Peng, Wen-Chih）：现任台湾阳明交通大学计算机科学系教授，在系内担任过多个重要领导职位，如计算机科学系主任、计算机科学学院副院长以及数字医学中心副主任 。研究专长涵盖数据挖掘、机器学习、大数据分析和体育数据分析等多个前沿领域，在KDD、ICDM、ICDE、AAAI、IJCAI等知名期刊和会议上发表了超过170篇学术文章。作为一名羽毛球和网球爱好者，他主导开发了CoachAI这一先进的人工智能数据分析平台，该平台通过全面的比赛数据分析，助力羽毛球运动员优化策略。目前，他正与像Chailease羽毛球队这样的专业团队合作，致力于推进Badminton Environment模拟器的研发，旨在模拟比赛并找出提升球员表现的关键策略，将对运动的热爱与前沿技术相结合，为体育界做出重要贡献。
▼ 作者照片
一文读懂CoachAI+羽毛球训练系统：AI如何重塑羽球竞技训练？
在当今体育领域，人工智能（AI）的影响力正与日俱增。从精准的赛事分析到个性化的运动员训练，AI技术正逐步改变着传统体育模式。在羽毛球这项充满活力与挑战的运动中，AI又能发挥怎样的作用呢？今天，就让我们走进“CoachAI+羽毛球训练系统”的世界，一同探索AI与羽毛球碰撞出的奇妙火花。
一、研究背景：AI与羽毛球的相遇（一）AI助力体育分析
近年来，AI和数据收集技术飞速发展，彻底改变了体育分析领域。以往难以获取的运动员表现数据，如今通过先进的技术手段变得清晰可见。比如，在足球比赛中，AI可以精准分析球员的跑位、传球成功率等数据；在篮球赛事里，能评估球员的投篮选择、防守站位效果等。这些分析结果为教练制定战术、运动员提升自我提供了关键依据。
（二）羽毛球分析的现状与挑战
羽毛球作为一项节奏快、策略性强的运动，其分析涵盖球的落点轨迹、球员移动模式、击球类型选择和战略规划等多个方面。准确的分析对于理解球员决策、制定比赛战术和训练计划至关重要。然而，将深度学习应用于实时提升羽毛球运动员个人表现的研究还相对较少。与篮球、足球等运动不同，羽毛球是回合制运动，球员的状态很大程度上取决于对手的行动，这种相互依赖关系使得模拟真实策略极具挑战性。
二、CoachAI+羽毛球训练系统：突破传统，创新前行（一）系统简介
为了应对上述挑战，研究人员提出了CoachAI+羽毛球训练系统。这一系统旨在通过AI模拟球员风格、比赛场景，并为训练和战略决策提供可行的见解。它重点解决两个关键研究问题：一是能否模拟不同比赛场景下的多样球员行为；二是如何从中提取关于胜负的关键信息。
（二）系统架构
核心模型：RallyNetv2：该系统对RallyNet进行升级，推出RallyNetv2。在回合重建实验中，RallyNetv2相比原始RallyNet有显著提升：落点位置误差降低53%（动态时间规整距离：0.2983），击球类型误差降低68%（连接主义时间分类损失：8.3533），移动位置误差降低43%（动态时间规整距离：0.1934）。这表明RallyNetv2能更好地捕捉球员行为。
现实主义约束：研究人员将基于历史数据得出的一系列规则约束融入模拟环境。这些约束能防止不现实的动作出现，比如不合理的击球类型或移动模式，让模拟场景更贴近真实比赛。例如，当对手打出扣杀时，系统会限制模拟球员只能选择防守高球或网前小球等合理应对方式。
优化评估模块：系统扩展了评估体系，提供更具实用性和战略性的见解。它不仅包含每个回合的击球统计数据，还整合了羽毛球特定的获胜概率模型，并能分析球员的节奏以及主动/被动状态。此外，研究人员还开发了一个用户友好的网络界面，方便教练直接导入比赛数据进行分析，直观呈现全面的评估结果。
三、研究方法：构建真实模拟的基石 （一）基于标记数据集的建模
系统构建基于现有的羽毛球数据集，如Badminton Language for Sequence Representation（BLSR）和ShuttleSet。BLSR将比赛数据转化为结构化表格格式，精确记录每一次击球的信息，包括击球时间、类型和空间位置等。ShuttleSet则是最大的公开羽毛球单打数据集，包含36,492次击球的详细球员和球的位置信息，且不断更新，为构建逼真的模拟环境提供了坚实的数据基础。
（二）马尔可夫决策过程（MDP）
研究人员将羽毛球比赛建模为两个智能体之间的回合制单打比赛，并使用马尔可夫决策过程（MDP）来描述。MDP包含状态（S）、行动（A）、转移概率（T(y|x, a)）、奖励函数（R(x)）和折扣因子（γ）等关键组件。状态包括要接的球的类型、球的位置、球员自身位置和对手位置；行动则涵盖选择击球类型、决定球的落点以及击球后球员的移动；转移概率决定了从一个状态转移到另一个状态的可能性，由对手的行动决定；奖励函数依据羽毛球比赛规则设定，如球出界、无法接球或违反约束时会得到相应的奖励或惩罚；折扣因子用于权衡当前奖励和未来奖励的重要性。
（三）对手建模与现实主义行动约束
对手建模：在羽毛球比赛中，对手的行动决定了球员的下一个状态。研究人员提出RallyNetv2来有效捕捉球员策略，为模拟提供真实的转移动态。RallyNetv2的框架将球员之间的互动建模为通过球进行的动态交换，类似于粒子通过碰撞相互作用。它使用潜在几何布朗运动（LGBM）将回合状态投影到潜在空间，并通过几何布朗运动对其动态进行建模，使模拟更能反映真实比赛中对手行为的不确定性和复杂性。
现实主义行动约束：为确保模拟球员的行动符合实际情况，系统添加了基于历史数据统计的约束机制。比如，击球类型约束会根据对手击球类型、球员自身的移动等因素限制击球类型的选择。如果某种击球类型在特定情境下出现的概率低于2%，模拟球员选择该类型的概率就会被限制，并将其概率重新分配给更现实的选项。此外，还有落点位置约束和移动位置约束，确保模拟球员的行动符合真实比赛的逻辑。
（四）评估模块：洞察比赛的窗口
系统提供了三个评估模块，帮助用户更好地理解比赛。
击球评估：引入击球影响力（Shot Influence）模型，通过分析击球对回合结果的即时和累积影响，评估击球的效果。模型输出以折线图展示，跟踪整个回合中获胜概率的变化。同时，还通过补充可视化工具，如回合逐拍动量和节奏图、回合长度与能量消耗图等，增强分析的可解释性。
战术评估：将战术分为全场压迫、防守反击和四角战术三大类，并进一步细分。通过数据和定义可视化这些战术，分析其实际使用率和成功率，帮助球员和教练了解各种战术在比赛中的应用情况，优化比赛策略。
可视化与胜负原因统计：计算不同状态下的胜负概率，突出显示最主要的胜负状态及其相应行动。平台提供动态、交互式的比赛数据可视化功能，用户可以直观地探索比赛动态。此外，还开发了交互式网页，方便运行这三个评估模块。
四、实验结果：系统有效性的有力证明 （一）模拟球员行为的准确性
行为序列相似性：研究人员使用动态时间规整（DTW）和连接主义时间分类（CTC）损失来评估RallyNet和RallyNetv2生成的模拟与真实比赛的相似性。实验结果表明，RallyNetv2在这方面表现更优，其落点位置误差、击球类型误差和移动位置误差都显著低于RallyNet，能更准确地模拟真实比赛中的行动序列。
回合时长真实性：通过评估模型在正确时刻模拟失误的能力以及回合长度分布，发现RallyNetv2生成的回合长度分布与真实数据更接近，能更好地反映真实比赛场景。
结果一致性：模拟比赛并评估每个球员的平均胜率，RallyNetv2的平均胜率与真实胜率的平均绝对误差为7.4%，低于RallyNet的9.5%。以Carolina Marin为例，RallyNetv2模拟的胜率与实际胜率平均差异仅为5.25%，证明其能更好地模拟真实比赛结果。
（二）从系统中提取胜负洞察
评估历史比赛
单场比赛分析：以Kento Momota与Viktor Axelsen在2020年马来西亚大师赛决赛的比赛为例，通过系统分析发现Momota更擅长打长回合，频繁使用“四角战术”，在压力下有很强的扭转局势能力，且在左侧落点的击球胜率较高。这些分析结果能帮助对手了解Momota的优势和弱点，制定针对性的策略。
跨场比赛比较：分析Viktor Axelsen与Anthony Sinisuka Ginting在不同赛事中的比赛，发现Axelsen的一些战术胜率不稳定，而“正手锁定”战术效果较好。同时，研究还发现他在击球节奏和落点选择上存在一些问题，为他改进比赛策略提供了方向。
模拟未来比赛：在球员之间比赛数据不足的情况下，系统可以利用模拟功能生成合成比赛数据。通过对Victor Axelsen与LEE Zii Jia比赛的模拟验证，发现模拟比赛中的击球分布和战术模式与真实比赛相近，证明了系统模拟的准确性。
五、研究结论与未来展望 （一）研究结论
CoachAI+羽毛球训练系统为真实比赛模拟和深入的表现评估提供了强大的平台。它结合先进的模仿学习模型、数据驱动和基于约束的方法，为教练和球员提供了可行的见解，有助于优化训练和比赛策略，缩小了数据分析与实际应用之间的差距。
（二）未来展望
集成大语言模型（LLMs）：未来研究人员计划将LLMs集成到系统中，以自然语言提供定制化的见解和建议，让战略指导更易于理解和应用。
可定制约束：系统将支持可定制的约束，能够模拟特定场景，如球员受伤后的比赛表现，帮助球员更好地应对现实挑战。
强化学习：引入强化学习可以增强系统探索最优策略的能力，根据不同情况和对手制定更具动态性和适应性的战术规划。
随着技术的不断进步，CoachAI+羽毛球训练系统有望成为羽毛球训练和比赛中不可或缺的工具，推动羽毛球运动向更高水平发展。无论是专业运动员还是羽毛球爱好者，都能从这一系统中受益，提升自己的竞技水平和对这项运动的理解。
六、深度解析：关键知识点与核心概念
在深入探究CoachAI+羽毛球训练系统时，一些关键知识点和核心概念尤为重要，它们是理解这一创新系统的基石。接下来，让我们逐一详细剖析。
马尔可夫决策过程（MDP）：马尔可夫决策过程是一种用于描述在随机环境下进行决策的数学框架。在羽毛球比赛的情境中，它将比赛抽象为一系列的状态和决策。以球员准备回击来球为例，此时球员所处的位置、球的位置以及对手的位置等信息构成了当前的“状态”。而球员选择的击球方式，比如是扣杀、高远球还是网前小球，以及击球后打算移动到的位置等行为就是“决策”。MDP的核心在于，它假设当前决策所产生的下一个状态仅取决于当前状态和所采取的决策，与过去的历史状态无关。这种特性使得复杂的羽毛球比赛过程能够被简化为数学模型进行分析和模拟，为系统实现逼真的比赛模拟提供了理论依据。
潜在几何布朗运动（LGBM）：LGBM是RallyNetv2模型中的关键技术，用于捕捉羽毛球比赛中的动态变化。在金融市场中，几何布朗运动常被用来描述股票价格的随机波动，其特点是能够反映出市场的不确定性和连续性变化。在羽毛球比赛里，球员的决策和行动同样充满不确定性，例如球员在面对对手的回球时，每次的击球选择和移动方向都不是完全确定的。LGBM将比赛状态投影到潜在空间，并利用几何布朗运动对其动态进行建模，使得模型能够更好地捕捉到比赛中的这些不确定性。它让模拟球员在决策时能够考虑到对手的行动，就像真实比赛中球员会根据对手的站位和回球情况做出反应一样，从而使模拟的比赛过程更加贴近现实。
击球影响力（Shot Influence）模型：击球影响力模型是评估击球对比赛回合结果影响的重要工具。在一场羽毛球比赛中，每一次击球都可能改变比赛的局势。该模型通过分析击球的各种因素，包括击球的速度、落点、时机以及对后续比赛进程的影响等，来综合评估这一次击球对球员获胜概率的贡献。在某一回合中，球员A的一次高质量扣杀直接得分，这显然会大幅提升球员A在该回合的获胜概率；而如果球员A的击球虽然没有直接得分，但却让对手陷入被动防守，为自己创造了后续进攻的机会，那么这次击球同样对获胜概率有积极影响。击球影响力模型能够量化这些影响，通过可视化的方式呈现给教练和球员，帮助他们更好地理解比赛中的关键击球时刻，从而优化击球策略。
战术分类与评估：CoachAI+系统对羽毛球战术进行了细致的分类，主要分为全场压迫、防守反击和四角战术三大类，每一大类下又包含多个子战术。全场压迫战术强调通过积极主动的进攻，在短时间内积累分数，迅速结束回合；防守反击战术则是在对手进攻后，球员从防守状态迅速转变为进攻，利用精准的击球实现反击；四角战术是通过将球的落点锁定在球场的特定区域，给对手制造防守压力，创造得分机会。系统通过统计不同战术在比赛中的使用频率和获胜率，对战术进行评估。这就好比为教练和球员提供了一份详细的战术使用指南，让他们清楚地了解在不同比赛情况下哪种战术更有效，从而在比赛中做出更合理的战术选择。
七、图表解读：直观呈现研究成果
在研究过程中，大量的图表被用于呈现数据和分析结果，这些图表为我们理解研究内容提供了直观而清晰的视角。接下来，让我们深入解读一些重要的图表。
图1：CoachAI+羽毛球环境目标概述：该图展示了CoachAI+系统的整体架构和目标。从图中可以看到，系统主要包含模拟比赛、模仿智能体和评估三个核心部分。在模拟比赛环节，选择AI模仿球员（智能体）进行比赛，模拟过程中会收集比赛数据；模仿智能体部分通过RallyNetv2等模型来模拟球员行为；评估部分则利用评估模块对模拟数据和真实数据进行分析，包括击球评估、战术评估以及可视化与胜负原因统计等。这张图清晰地呈现了系统各部分之间的关系和数据流向，让我们对系统的工作流程有了一个全面的认识。
图2：CoachAI+羽毛球环境概述：此图详细展示了CoachAI+系统的架构。图中以马尔可夫决策过程（MDP）为基础，描述了羽毛球比赛中的状态、行动、转移概率和奖励函数等要素。其中，状态包括要接的球的类型、球的位置、球员和对手的位置等；行动涵盖击球类型、球的落点和球员击球后的移动；转移概率由对手的行动决定；奖励函数依据比赛规则设定。此外，图中还展示了RallyNetv2模型在系统中的作用，它用于生成模拟球员的行动，以及三个评估模块（击球评估、战术评估、可视化与胜负原因统计）对模拟结果的分析流程。通过这张图，我们可以深入了解系统的内部运作机制。
图3：RallyNetv2框架：该图展示了RallyNetv2的详细框架结构。RallyNetv2将球员之间的互动建模为通过球进行的动态交换，类似于粒子通过碰撞相互作用。它使用潜在几何布朗运动（LGBM）将回合状态投影到潜在空间，并通过几何布朗运动对其动态进行建模。在框架中，编码器将回合的状态序列映射为回合上下文，并将当前状态投影到潜在空间，得到当前潜在状态和中间状态。为了模拟潜在空间中的几何布朗运动，采用了随机微分方程（SDE）方法。解码器则利用当前状态预测未来潜在状态，这些潜在状态最终转化为球员的实际行动，如击球类型、落点和移动位置等。这张图帮助我们理解RallyNetv2是如何通过复杂的模型结构实现对球员行为的准确模拟。
图4：击球类型相关性分析：此图展示了击球类型与其他因素之间的相关性分析结果。通过Cramer's V分析发现，击球位置、Y轴移动和对手的击球类型与击球选择之间存在中等程度的相关性。这意味着在实际比赛中，球员选择击球类型时会受到这些因素的影响。当对手打出扣杀时（对手击球类型），球员在Y轴方向上如果移动距离较大，那么他选择防守性高球（击球类型）的可能性就会增加；同时，击球位置也会受到这些因素的制约。这张图为击球类型约束的设定提供了数据支持。
图5：基于对手击球类型和Y轴移动的击球类型统计分布：图中展示了不同对手击球类型和球员Y轴移动情况下，球员各种击球类型的选择概率分布。例如，当对手打出扣杀时，球员选择防守性高球的概率相对较高；而如果球员在Y轴方向上移动超过一定距离，选择扣杀的概率就会受到限制。图中还将频率低于2%的击球类型（用红色突出显示）进行了限制，这是为了确保模拟球员的行动更符合实际比赛情况，避免出现不合理的击球选择。
图13：回合长度分布比较：该图对比了RallyNetv2和RallyNet模拟的回合长度分布与真实比赛数据的差异。图中橙色分布代表真实比赛的回合长度，蓝色分布表示模型模拟生成的回合长度。通过Jensen-Shannon divergence（JSD）来量化两者之间的差异，JSD值越小，说明模拟结果与真实数据越接近。从图中可以明显看出，RallyNetv2模拟的回合长度分布与真实数据更为相似，这表明RallyNetv2在模拟比赛真实感方面表现更优，能够更好地反映实际比赛中回合长度的变化情况。
图18：战术使用率与胜率对比：此图展示了Viktor Axelsen和Anthony Sinisuka Ginting在不同比赛中的战术使用率和胜率情况。通过对比可以发现，一些战术如全场压迫（FCP）和防守反击（DC）的胜率不稳定，且使用率较低；而四角战术（FC）的使用率相对较高，尤其是在Axelsen获胜的比赛中，“正手锁定”（FhL）子战术的使用率和胜率都表现出色。这为球员和教练在制定战术策略时提供了重要参考，帮助他们根据对手情况选择更有效的战术。
图19：平均胜率和平均节奏变化对比：该图比较了Viktor Axelsen在不同比赛中不同击球类型的平均胜率和平均节奏变化（delta pace）。从图中可以看出，推球（Push Shot）这一击球类型在两场比赛中的平均胜率有较大提升，但平均节奏却有所下降。这表明Axelsen在使用推球时，可以适当降低击球节奏，以提高击球的精准度，从而更好地控制比赛局势。这张图为球员优化击球策略提供了数据依据。
八、研究意义与应用前景：开启羽毛球训练新时代
CoachAI+羽毛球训练系统的研究具有重要的意义，为羽毛球运动的发展带来了广阔的应用前景。
对运动员训练的帮助：对于运动员而言，该系统就像是一位随时在线的专业智能教练。在日常训练中，运动员可以利用系统模拟各种比赛场景，与不同风格的虚拟对手进行对战。通过系统的评估模块，运动员能够清晰地了解自己在击球选择、战术运用以及场上移动等方面的优势和不足。系统还能根据运动员的特点和需求，制定个性化的训练计划。喜欢进攻的运动员可以针对提高扣杀成功率进行专项训练，而防守型运动员则可以着重提升防守反击的能力。这样的训练方式能够让运动员更有针对性地提升自己的技能，大大提高训练效率。
为教练制定战术提供支持：教练在制定比赛战术时，往往需要综合考虑对手的特点、自己队员的优势以及比赛的实际情况。CoachAI+系统为教练提供了丰富的数据支持和详细的分析报告。通过系统对历史比赛数据的分析，教练可以深入了解对手的战术偏好、击球习惯以及在不同比赛情境下的应对策略。教练还能利用系统模拟未来比赛，提前预测不同战术的效果，从而制定出更具针对性和有效性的比赛战术。在面对擅长进攻的对手时，教练可以根据系统分析结果，制定以防守反击为主的战术，并通过系统模拟不断优化战术细节。
推动羽毛球运动的发展：从更广泛的角度来看，CoachAI+系统的应用有助于推动羽毛球运动的整体发展。在青少年羽毛球培训中，系统可以帮助教练更好地培养年轻选手，让他们从小就养成正确的比赛思维和战术意识。在赛事分析方面，系统能够为观众提供更深入的比赛解读，增强观众对羽毛球运动的理解和兴趣，吸引更多人参与到羽毛球运动中来。系统的研究成果还可以为羽毛球运动的规则制定和裁判工作提供参考，促进羽毛球运动的规范化和专业化发展。
未来应用拓展：随着技术的不断发展，CoachAI+系统的应用场景还将不断拓展。它可以与虚拟现实（VR）和增强现实（AR）技术相结合，为运动员创造更加沉浸式的训练环境。运动员可以在虚拟的比赛场景中与世界顶尖选手对战，感受真实比赛的氛围，提升自己的心理素质和应对压力的能力。系统还可以与可穿戴设备相结合，实时收集运动员在训练和比赛中的生理数据，如心率、体力消耗等，进一步优化训练和比赛策略。未来，CoachAI+系统有望成为羽毛球运动领域全方位的智能助手，为羽毛球运动的发展注入新的活力。返回搜狐，查看更多